Quelles sont les 6 étapes menant à la maintenance prédictive 4.0 ?

Les capteurs sans fil, les solutions numériques d’internet des objets (IoT) et les algorithmes d’intelligence artificielle transforment prodigieusement le processus de gestion de la maintenance des équipements en usine. L’étude que nous vous présentons ici illustre les principales étapes évolutives du nouveau processus de maintenance prédictive 4.0 mis en œuvre par Fred, un jeune et dynamique superviseur de maintenance. Fred a débuté sa carrière comme électro-technicien et est maintenant superviseur d’une équipe de 5 personnes au sein d’une usine manufacturière du Québec. Il est responsable du suivi et de l’entretien des machines critiques de cette usine, en opération 24/7 sur trois quarts de travail.

Au départ, Fred savait qu’il devait adopter une nouvelle approche avec son équipe pour assurer le bon fonctionnement des actifs de l’usine. Au cours des derniers mois, son taux de réparation en mode urgent a grimpé à plus de 50% du nombre total des bons de travail documentés dans son GMAO. Et ce, malgré tous les efforts pour mettre en place des routes d’entretien préventif et prédictif. Son équipe commençait à être essoufflée et le moral des troupes se dégradait graduellement. Des tournées de mesure de vibration étaient réalisées par un technicien externe et, pour une question de budget, étaient espacées aux 3 mois ce qui ne l’aidaient pas vraiment à prédire un bris entre 2 analyses. Un beau samedi pluvieux, il a commencé à s’informer sur les concepts de maintenance prédictive, les capteurs sans fil et les solutions d’internet des objets. N’étant pas un expert dans ce nouveau domaine, il se sentait un peu perdu et ne savait pas trop par où commencer.

Étape 0: Audit de télémétrie intelligente :

Fred avait entendu parlé de l’audit de télémétrie intelligente offert par l’équipe d’AméliorAction. Il a convaincu son patron de débuter avec cette activité pour sauver temps et argent et pour réussir son effet WOW avec le comité de direction. Après 2 jours de tournée sur le plancher d’usine, Fred a pu se faire une idée claire avec le plan d’action proposé qui comportait les éléments suivants:

  1. Analyse de la meilleure approche d’acquisition de données pour, non seulement la santé des machines, mais aussi pour la santé des procédés, pour la mesure de la qualité et de la productivité.
  2. Mesures et indicateurs de performance recommandés.
  3. Analyse des capteurs existants et évaluation de leur connectivité (via les ordinateurs de contrôle PLC, par exemple).
  4. Évaluation des besoins en capteurs sans fil pour les mesures manquantes ou s’il est trop complexe ou coûteux d’aller chercher les données directement des PLC.
  5. Évaluation des coûts pour la collecte des données et leur stockage dans le but de mettre en place des tableaux de bord de gestion avec les bons kPI en Qualité & Procédé et en Entretien & Production.

Au final, le rapport a été très bien reçu par le comité de direction de l’usine et a servi à élaborer le plan d’actions numérique et stratégique et le budget de télémétrie intelligente pour toute l’usine. Au bout de 3 mois, Fred s’est vu accordé un budget pour réaliser son projet de maintenance prédictive sur une première ligne de production prioritaire, la ligne 2. Les 6 étapes menant vers la maintenance prédictive se sont déroulées comme suit:

machines connectées avec capteurs sans fils IoTÉtape 1: Cueillette des données

Fred et son équipe ont appris comment installer et paramétrer les =>capteurs sans fils recommandés sur les machines de la ligne 2. La transmission des données se fait par réseau maillé de type Digimesh d’une portée de 3 km. Le récepteur, pouvant gérer jusqu’à 200 capteurs, a été installé au centre de l’usine afin de desservir éventuellement les autres lignes de production.

Chaque capteur a ensuite été relié à la =>solution d’internet des objets. La solution logicielle est installée sur un mini ordinateur assez puissant pour gérer la transformation des données. Cette solution locale, en mode Edge computing est indépendante de la connexion internet de l’usine et assure la surveillance 24/7, en temps réel des paramètres critiques des machines (vibration, température, ampérage, etc.).

capteur récepteur et ordinateur

Étape 2: Mise en place de l’historique de données

Après seulement deux semaines, les capteurs ont pu fournir suffisamment de données de qualité. Déjà, Fred observe des phénomènes qu’il ne soupçonnait pas avant l’analyse des graphiques de tendance. Par exemple, pourquoi le moteur principal tire 20% plus d’ampérage durant la faction de jour que durant celle de nuit ? L’historique des données ne fait que débuter et bientôt il aura assez de données pour pousser ses analyses plus loin.

3. Maintenance conditionnelle

Fred suit et analyse les données de la ligne 2 depuis cinq semaines maintenant. Il s’assure que les machines sont en bonne condition. Il a ajouté sur la plateforme d’IoT des niveaux d’alarmes selon les valeurs établies par le fabricant ou suite à son analyse.

Les électromécaniciens de quart peuvent accéder facilement, de leur appareil mobile, aux données des machines et aux graphiques de tendances. Lors de détection d’anomalie, ils reçoivent automatiquement un SMS ou un courriel avec l’information pertinente si une valeur atteint le niveau critique.

Jim, le technicien de jour, a investigué avec l’opérateur de la ligne 2 ce qui pouvait expliquer les écarts de vibration et d’ampérage du moteur principal. La procédure d’opération a été mise à jour et partagée avec les opérateurs des autres factions.

4. Construction des modèles prédictifsMaintenance prédictive automatisée

Le =>module de maintenance prédictive utilise des modèles mathématiques reconnus en maintenance prédictive. L’intelligence artificielle permet de réaliser les prédictions justes et pouvant atteindre jusqu’à 95% d’intervalle de confiance. Pour débuter, le modèle se base sur l’analyse des données de vibration et de température. La réponse est simple à interpréter : le logiciel nous renseigne sur le nombre de jours utiles restant avant le prochain bris (voir écran ci-contre).

5. Maintenance prédictive

Le module de maintenance prédictive avise Fred qu’un besoin de maintenance prédictive est requis plusieurs jours à l’avance (avec une quantité suffisante de données de qualité). Fred prépare sa demande de travail et planifie le matériel et les ressources requises pour les travaux.

6. Maintenance prédictive intégrée au GMAO

Trois mois ont passé. La solution de maintenance prédictive est maintenant intégrée avec le système de gestion de la maintenance assisté par ordinateur (GMAO). La demande de maintenance est transmise automatiquement en mode URGENT si des travaux sont exigés en moins de 3 jours ou en mode IMPORTANT si des travaux de maintenance sont requis en moins de 45 jours. Ces demandes de travail sont envoyées au GMAO automatiquement. Fred valide et approuve la demande. Jim, l’électrotechnicien de jour, reçoit aussi la demande de travail et peut préparer à l’avance le matériel requis pour réaliser le travail de maintenance.

Conclusion

Le projet a remporté un vif succès auprès de l’équipe de Fred et a même contaminé positivement d’autres gestionnaires des départements de production et de qualité à la télémétrie intelligente. Les gains de productivité et la réduction des coûts de maintenance ont été tels que le projet s’est rentabilisé en moins de 6 mois. Fred est très fier du travail accompli avec son équipe et voit l’avenir avec un sourire. Le comité de direction lui a déjà annoncé qu’il souhaite appliquer la formule gagnante aux autres lignes de l’usine et aussi aux usines sœurs en Europe. Le directeur lui a demandé s’il aimerait former ses collègues européens sur la maintenance prédictive. Laissons le soin à Fred de conclure :

L’installation des capteurs sans fil, l’implantation de la plateforme d’IoT et des concepts de maintenance prédictive 4.0 se sont faits en douceur, sans nuire aux opérations courantes de l’usine. La solution de maintenance prédictive, intégrée à notre GMAO, simplifie considérablement notre processus de maintenance. Notre équipe a le sentiment de mieux planifier ses actions tout en étant plus efficace. Le comité de direction est content car, le taux de rendement global (TRG) des machines s’est également amélioré à plus de 90%.

Rêvez-vous de gérer votre processus de maintenance comme Fred ?

=>Contactez-nous pour discuter de votre rêve et surtout, de comment nous pouvons vous aider à passer du rêve à la réalité !

N’hésitez pas à partager ce billet sur vos médias sociaux ou directement aux membres de votre équipe qui pourraient être intéressées.

Merci de m’avoir lue u plaisir d’échanger avec vous sur le sujet !

Sylvie Rioux